XiaoMi-AI文件搜索系统
World File Search System帕金森病
右迷走神经刺激通过发挥神经保护作用改善帕金森病大鼠的运动行为
近期研究发现迷走神经与中脑多巴胺能神经元之间存在关联。对啮齿类动物肠脑神经环路的研究发现，迷走神经与中脑多巴胺能神经元之间存在环路（6,7），证实了帕金森病源自肠道的研究，即帕金森病的发病机制与胃肠神经系统有关，迷走神经通过传导至中脑多巴胺能神经元（8-10）。先前的研究还显示，电刺激迷走神经会影响大鼠中脑多巴胺能区域的大分子结构和元素组成（11,12）。此外，迷走神经刺激可以增加大鼠中脑多巴胺能神经元中 c-Fos 的表达（13）。一项针对人类大脑的神经影像学研究表明，迷走神经刺激也能激活中脑多巴胺能区域（14）。这些发现为通过迷走神经治疗帕金森病提供了研究基础
共振帕金森病指数中脑与脑桥比率，以及脑干结构的磁常态数据，
结果：测量不同脑干结构的内部和内部可靠性显示出良好至优秀的可靠性（组内相关系数 = 0.785 – 0.988）。脑桥面积、小脑中脚和小脑上脚宽度、中脑与脑桥比值和 MRPI 存在显著的性别差异（全部，P ，.001；Cohen D = 0.44 – 0.98），但中脑面积无差异（P = .985）。在男女两性中，几项脑干测量值与年龄、身高、体重和身体质量指数之间存在显著的非常弱至弱相关性。然而，没有发现由这些变量引起的分布的系统性差异，并且由于年龄具有最高和最一致的相关性，因此创建了脑干测量的年龄/性别特定百分位数。
背侧苍白球和丘脑底核静息和运动过程中帕金森病 β 波动力学
这篇早期发布的文章已经过同行评审并被接受，但尚未经过撰写和编辑过程。最终版本在风格或格式上可能略有不同，并将包含指向任何扩展数据的链接。
pBrain_ 帕金森相关脑结构分割的新型管道
帕金森病是一种非常普遍的神经退行性疾病，影响着全世界数百万人的生活。尽管其病因尚不清楚，但其功能和结构分析对于寻找治愈方法或对症治疗至关重要。与帕金森病相关的深层脑结构的自动分割可能对后续随访和治疗计划大有裨益。不幸的是，目前还没有广泛使用的分割软件可以自动测量与帕金森病相关的结构。在本文中，我们提出了一种新颖的流程来分割与帕金森病相关的三个深层脑结构（黑质、丘脑底核和红核）。所提出的方法基于多图谱标签融合技术，该技术适用于标准和高分辨率 T2 加权图像。所提出的方法还包括一种新的基于神经网络的纠错步骤作为后处理，以最大限度地减少系统分割误差。所提出的方法与其他最先进的方法进行了比较，在准确性和执行时间方面显示出了竞争力。
使用基于束的空间统计预测新生帕金森病的白质生物标志物：基于机器学习的模型
帕金森病（PD）是最常见的神经退行性疾病之一（1），近年来发病率稳步上升。在 PD 的早期阶段，症状通常非常轻微，医生很难做出明确的诊断（2）。在前驱期，PD 患者可能表现出非运动症状，例如嗅觉减退和认知障碍（3）。随着病情的进展，患者可能会出现震颤等经典的运动症状。运动症状的出现通常表明疾病已进入中期或晚期，诊断和治疗的最佳窗口期已过。与震颤等可见症状不同，认知能力下降是一个渐进的过程，其根本原因和神经解剖学基础仍未完全了解（4）。目前，PD 没有有效的治疗方法，可用的治疗主要集中在症状管理上（5）。因此，早期诊断和发现 PD 至关重要（6）。有效的早期诊断可以及时发现健康问题并实施干预措施，以最大限度地降低与疾病相关的严重健康风险（1,2）。在早期阶段，准确及时地识别帕金森病是一项重大挑战（7）。目前，帕金森病的诊断主要依赖于临床评分量表和临床医生的专业知识。这些诊断方法不完善、耗时且劳动密集，缺乏标准化和有效的定量指标。帕金森病患者的常规非侵入性神经影像学检查，如磁共振成像（MRI），包含大量潜在有价值的信息，包括灰度范围、强度和脑组织特征的细胞内变化。这些细节可以帮助更好地了解帕金森病患者的大脑改变。然而，仅凭放射科医生的临床专业知识识别这些信息可能具有挑战性（8）。人们投入了大量研究来创新帕金森病诊断方法（9,10），旨在提高疾病检测能力。帕金森病进展
大脑复杂性状背后的细胞类型的基因鉴定有助于深入了解帕金森病的病因
Julien Bryois＃1，Nathan G. Skene＃2,3,4,5，Thomas Folkmann Hansen 6,7,8 9,20，Lars Alfredsson 21，Tetsuya Ando 22，Ole Andreasen 23，Ole Andreasen 23，Jessica Baker，Jessica Baker 24,25，24,25 Uehren 35，Cynthia Buklik 1,9,16，Roland Bhardt Man 14,15，Rock 39，Philippe Courtet 40，Steven Crawford 34，Scott Crows 41，Oliver Davis 42,43 CE Desocio 47，Dimitris Dikeos 49 Esko 58,59，Xavier Estville 53,54,55,60，Angela Favaro 46，Fernando Ferndez-Aranda 61,62，Manfred Ficher 63,64，ManuelFöcker5 ，Fragiskos Gonidakis 73，Philip Gondoth 31,75，Monica Gratacos Mayora 53,54,55，Jakob Grove 76,77,78,7 0,81 0,81，Katherine Halmi 82，Ken Hanscom，Ken Hanscom，kentine Hatzikotoulas 32，Johannes Hebebrand 65，Sietske Hers hers sherp hers stepl 7，约翰·霍德（L. 98，
利用机器学习进行多模态 MRI 鉴别帕金森病和进行性核上性麻痹的效用
经典帕金森病 (PD) 和进行性核上性麻痹 (PSP)（尤其是理查森综合征 (PSP-RS)）的早期鉴别诊断通常受到症状特征重叠的限制，现有的临床评分或既定的诊断方法无法有效捕捉这些症状特征。在这种情况下，即使是运动障碍专家也报告了高达 24% 的失败率 ( 1 )。在临床实践中，PD 和 PSP-RS 的诊断主要基于临床检查，包括主要特征、对左旋多巴的反应以及统一 PD 评定量表 (UPDRS) ( 2 ) 等既定评分。然而，由于临床症状明显重叠且床边检查准确性不足，鉴别诊断通常具有挑战性，尤其是在疾病早期。准确的早期诊断与通过适当的药物管理、患者护理方案更好地管理疾病密切相关，并且可能显著改善疾病预后。此外，识别早期疾病表现可能带来更有针对性的药物疗法，并推动在这一领域开发更有效的药物疗法。在这方面，使用各种磁共振成像 (MRI) 模式，如 T1 加权 ( 3 , 4 )、T2 加权 ( 5 , 6 ) 和扩散张量 MRI (DTI) ( 7 , 8 ) 进行的分组研究显示，PD 和 PSP-RS 患者与健康对照 (HC) 受试者之间存在显著差异。这些差异表明区域脑容量、脑铁代谢和微结构脑组织退化发生了改变，所有这些都与 PD 和 PSP-RS 与 HC 受试者相比的神经退行性特征密切相关 ( 9 – 11 )。监督式机器学习技术能够识别高维数据中的复杂模式，而识别出的模式可用于对新的未知病例做出针对特定患者的预测 (12)。机器学习已成功用于解决各种精准医疗问题 (13)，多项研究尝试利用上述分组研究获得的特征对个体 PD 和 PSP-RS 患者进行分类 [例如 (14-16)]。然而，到目前为止，只有少数科学研究真正尝试利用多模态成像特征的力量来改善 PD 和 PSP-RS 患者的鉴别分类 [例如 (17、18)]。此外，与单模态成像信息相比，多模态成像的真正优势尚未详细探讨。因此，本研究旨在提出一个全面的端到端框架，使用 T1 加权、T2 加权和 DTI 数据集对 PD 患者、PSP-RS 患者和 HC 受试者进行分类，并评估使用单个单模态特征和多模态特征训练的最佳机器学习模型的准确性。
人工智能在智能医疗中的应用...
帕金森病与大脑记忆力减退、焦虑和抑郁有关。除了姿势受损和僵硬的症状外，还可以观察到平衡能力差和行走困难等问题。致力于使计算机能够自主学习而无需明确编程的领域被称为机器学习。本文讨论了一种基于人工智能的帕金森病诊断方法。该系统的输入是通过帕金森病患者笔迹的照片样本提供的。使用浮雕特征选项对收到的照片进行预处理以开始该过程。这有助于选择用于识别帕金森病的特征。之后，采用线性判别分析 (LDA) 算法来降低维度，从而降低输入数据中存在的总维度数。然后分别通过径向基函数支持向量机 (SVM-RBF)、k-最近邻 (KNN) 和朴素贝叶斯算法对照片进行分类。
